PulseAugur
中
实时 10:24:01
English(EN) Beyond Rebalancing: Benchmarking Binary Classifiers Under Class Imbalance Without Rebalancing Techniques

新研究对类别不平衡的二元分类器进行基准测试

作者 PulseAugur 编辑部 · [1 个来源] ·

一项新近发表在 arXiv 上的研究，在不采用重采样技术的情况下，探讨了二元分类器在面对类别不平衡数据集时的性能表现。研究人员评估了包括传统模型以及 TabPFN 和提升集成模型在内的各种分类器，使用了真实世界和合成数据集，并逐步减小了少数类的大小。研究结果表明，随着数据复杂性和少数类代表性的降低，分类难度增加，但与传统方法相比，先进模型展现出更强的鲁棒性和泛化能力。 AI

影响 在不依赖显式重采样技术的情况下，为类别不平衡学习场景的模型选择提供指导。

排序理由 发表在 arXiv 上的研究论文，详细介绍了方法和研究结果。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Ali Nawaz, Amir Ahmad, Shehroz S. Khan ·

    Beyond Rebalancing: Benchmarking Binary Classifiers Under Class Imbalance Without Rebalancing Techniques

    arXiv:2509.07605v2 Announce Type: replace-cross Abstract: Class imbalance poses a significant challenge to supervised classification, particularly in critical domains like medical diagnostics and anomaly detection where minority class instances are rare. While numerous studies ha…

相关实体

相关话题